FLASH: Fast Learning via GPU-Accelerated Simulation for High-Fidelity Deformable Manipulation in Minutes

📄 arXiv: 2604.17513v1 📥 PDF

作者: Siyuan Luo, Bingyang Zhou, Chong Zhang, Xin Liu, Zhenhao Huang, Gang Yang, Zhengtao Han, Xiaotian Hu, Eric Yang, Rymon Yu, Ziqiu Zeng, Fan Shi

分类: cs.RO

发布日期: 2026-04-19

💡 一句话要点

FLASH：基于GPU加速仿真的快速学习，实现高保真可变形物体操作

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 可变形物体操作 GPU加速仿真 机器人学习 零样本迁移 物理引擎

📋 核心要点

  1. 可变形物体操作因其复杂的几何变化和大量的接触约束，导致仿真难以兼顾高精度、速度和稳定性。
  2. FLASH通过重新设计的GPU原生物理引擎，利用现代GPU架构，实现了对富含接触的可变形物体操作的高效精确仿真。
  3. 实验表明，仅在FLASH生成的合成数据上训练的策略，即可在真实机器人上实现零样本迁移，完成复杂的折叠任务。

📝 摘要（中文）

Isaac Sim等仿真框架推动了机器人学习在运动和刚体操作方面的应用。然而，富含接触的仿真仍然是可变形物体操作的主要瓶颈。软材料不断变化的几何形状，以及大量的顶点和接触约束，使得难以达到大规模交互学习所需的高精度、速度和稳定性。我们提出了FLASH，一个GPU原生的仿真框架，用于富含接触的可变形物体操作。它建立在一个精确的基于NCP的求解器之上，该求解器强制执行严格的接触和变形约束，同时专门为细粒度的GPU并行性而设计。FLASH没有将传统的单指令多数据（SIMD）求解器移植到GPU，而是从头开始重新设计了物理引擎，以利用现代GPU架构，包括优化的碰撞处理和内存布局。因此，FLASH在单个RTX 5090上以30 FPS的速度扩展到超过300万个自由度，同时准确地模拟物理交互。仅在FLASH生成的合成数据上训练的策略在几分钟内实现了强大的零样本sim-to-real迁移，我们在物理机器人上验证了这一点，执行具有挑战性的可变形操作任务，如折叠毛巾和折叠服装，无需任何真实世界演示，为劳动密集型的真实世界数据收集提供了一种实用的替代方案。

🔬 方法详解

问题定义：论文旨在解决可变形物体操作中，由于软材料的复杂几何变化和大量的接触约束，导致现有仿真方法难以同时保证高精度、高速度和高稳定性的问题。现有方法通常难以满足大规模交互学习的需求，限制了机器人学习在可变形物体操作领域的应用。

核心思路：论文的核心思路是构建一个GPU原生的仿真框架FLASH，该框架从底层重新设计物理引擎，充分利用现代GPU架构的并行计算能力。通过优化的碰撞处理和内存布局，FLASH能够高效地处理大量的顶点和接触约束，从而实现对可变形物体操作的高精度、高速度和高稳定性的仿真。

技术框架：FLASH框架的核心是一个基于NCP（Non-penetration Condition）的求解器，该求解器强制执行严格的接触和变形约束。整个框架针对GPU并行性进行了优化，包括碰撞检测、约束求解和内存管理等模块。FLASH利用GPU的细粒度并行性，将计算任务分解成大量的小任务，并在GPU上并行执行。

关键创新：FLASH的关键创新在于其GPU原生的设计理念。与传统的将CPU上的SIMD求解器移植到GPU上的方法不同，FLASH从头开始重新设计了物理引擎，使其能够充分利用GPU的架构特性。这种设计使得FLASH能够高效地处理大量的顶点和接触约束，从而实现对可变形物体操作的高精度仿真。

关键设计：FLASH的关键设计包括：1) 优化的碰撞检测算法，能够快速准确地检测物体之间的碰撞；2) 基于NCP的约束求解器，能够有效地处理接触和变形约束；3) 优化的内存布局，能够减少GPU上的内存访问延迟；4) 细粒度的并行计算模型，能够充分利用GPU的并行计算能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FLASH在单个RTX 5090上能够以30 FPS的速度模拟超过300万个自由度，同时保证物理交互的准确性。仅使用FLASH生成的合成数据训练的策略，即可在真实机器人上实现零样本迁移，成功完成折叠毛巾和服装等复杂任务，无需任何真实世界演示。

🎯 应用场景

该研究成果可广泛应用于服装制造、医疗手术、食品加工等领域，通过仿真训练机器人完成复杂的软体操作任务。FLASH框架降低了机器人学习的成本和时间，有望加速机器人技术在可变形物体操作领域的应用，并为相关产业带来智能化升级。

📄 摘要（原文）

Simulation frameworks such as Isaac Sim have enabled scalable robot learning for locomotion and rigid-body manipulation; however, contact-rich simulation remains a major bottleneck for deformable object manipulation. The continuously changing geometry of soft materials, together with large numbers of vertices and contact constraints, makes it difficult to achieve high accuracy, speed, and stability required for large-scale interactive learning. We present FLASH, a GPU-native simulation framework for contact-rich deformable manipulation, built on an accurate NCP-based solver that enforces strict contact and deformation constraints while being explicitly designed for fine-grained GPU parallelism. Rather than porting conventional single-instruction-multiple-data (SIMD) solvers to GPUs, FLASH redesigns the physics engine from the ground up to leverage modern GPU architectures, including optimized collision handling and memory layouts. As a result, FLASH scales to over 3 million degrees of freedom at 30 FPS on a single RTX 5090, while accurately simulating physical interactions. Policies trained solely on FLASH-generated synthetic data in minutes achieve robust zero-shot sim-to-real transfer, which we validate on physical robots performing challenging deformable manipulation tasks such as towel folding and garment folding, without any real-world demonstration, providing a practical alternative to labor-intensive real-world data collection.